信息推薦系統(tǒng)中的協(xié)同過濾技術(shù)研究.pdf

1、隨著互聯(lián)網(wǎng)應(yīng)用的飛速發(fā)展及信息的多元化，互聯(lián)網(wǎng)中的信息量呈爆炸性的增長，如何從海量的資源中迅速準(zhǔn)確地找到需要的信息，并為用戶提供主動(dòng)的個(gè)性化的信息服務(wù)，已經(jīng)成為眾多專家、學(xué)者和網(wǎng)絡(luò)用戶共同關(guān)注的核心問題。在這種背景下個(gè)性化推薦系統(tǒng)應(yīng)運(yùn)而生。
　　協(xié)同過濾（Collaborative Filtering，CF）是目前推薦系統(tǒng)中應(yīng)用最為廣泛和成功的技術(shù)，基于協(xié)同過濾推薦技術(shù)的研究已經(jīng)成為學(xué)術(shù)界關(guān)注的重點(diǎn)。本文以協(xié)同過濾推薦技術(shù)為研究對

2、象，對其面臨的冷啟動(dòng)問題、推薦質(zhì)量及擴(kuò)展性問題、評(píng)分?jǐn)?shù)據(jù)的高維化及稀疏性等關(guān)鍵問題進(jìn)行了探討，提出了相應(yīng)的解決方法。本文在如下幾個(gè)方面做了相應(yīng)的研究。
　　(1)對推薦系統(tǒng)的發(fā)展進(jìn)行了綜述。首先介紹了推薦系統(tǒng)的概念，總結(jié)了推薦系統(tǒng)的分類。在此基礎(chǔ)上給出了協(xié)同過濾推薦系統(tǒng)的基本模型，并對模型的表示、評(píng)分?jǐn)?shù)據(jù)收集等重要步驟進(jìn)行了描述。然后，對協(xié)同過濾推薦技術(shù)進(jìn)行了分類和概括，對幾種典型的協(xié)同過濾算法進(jìn)行研究和總結(jié)，指出目前存在的問題。

3、最后，簡介了推薦系統(tǒng)的其它相關(guān)技術(shù)。
　　(2)提出了一個(gè)基于新用戶隱式信息及雙屬性評(píng)分矩陣的冷啟動(dòng)協(xié)同過濾推薦算法。通過新用戶隱式信息的采集完成隱式評(píng)分，通過用戶—項(xiàng)目屬性評(píng)分矩陣來進(jìn)行用戶相似性度量，有效緩解了數(shù)據(jù)稀疏性;生成用戶屬性—項(xiàng)目屬性評(píng)分矩陣，由新項(xiàng)目的屬性值依次與用戶屬性—項(xiàng)目屬性評(píng)分矩陣中的用戶屬性進(jìn)行匹配，評(píng)分最高的用戶屬性作為推薦受眾的必要參數(shù)，從而實(shí)現(xiàn)了新項(xiàng)目的冷啟動(dòng)推薦。由分析用戶行為獲取的新用戶的屬性值

4、依次與UAIARM中的項(xiàng)目屬性進(jìn)行匹配，實(shí)現(xiàn)了新用戶的冷啟動(dòng)推薦;并且解決了給新用戶推薦新項(xiàng)目的極端情況。此外，簡化后的用戶屬性—項(xiàng)目屬性評(píng)分矩陣MARM借助用戶屬性和項(xiàng)目屬性間的聯(lián)系，為新用戶/新項(xiàng)目提供更高效的冷啟動(dòng)推薦。實(shí)驗(yàn)表明，本文提出的基于雙屬性分解的推薦算法有效的緩解了評(píng)分?jǐn)?shù)據(jù)稀疏性，提高了推薦質(zhì)量;尤其是在新項(xiàng)目和新用戶的雙重冷啟動(dòng)情況下提供了有效數(shù)目的推薦。
　　(3)提出了一種用聚類算法優(yōu)化的K近鄰協(xié)同過濾算法。

5、傳統(tǒng)協(xié)同過濾算法在計(jì)算預(yù)測評(píng)分時(shí)，等同看待K個(gè)最近鄰、并未考慮它們與其所屬類別的關(guān)聯(lián)程度并不相同的情況?？紤]到各樣本對分類的貢獻(xiàn)各不相同的情況，提出區(qū)別對待每個(gè)樣本的思想。算法首先利用基于最大最小距離的多中心聚類算法，處理模糊子集問題，計(jì)算出樣本與其所屬類別的關(guān)聯(lián)度，再利用類別關(guān)聯(lián)度來區(qū)別對待待預(yù)測樣本的K個(gè)最近鄰。實(shí)驗(yàn)證明，使用聚類算法優(yōu)化后的K近鄰算法能夠有效提高算法推薦精度。
　　(4)提出了一種高維稀疏矩陣下的改進(jìn)協(xié)同過濾

6、算法。提出先對高維稀疏矩陣維度約簡，然后聚類，最后通過用戶—模糊簇類評(píng)分矩陣和分類矩陣加權(quán)建立K近鄰集完成預(yù)測評(píng)分和推薦。其中，PCA或SVD維度約簡方法用于對高維矩陣進(jìn)行全空間降維預(yù)處理，產(chǎn)生低維矩陣。提出一個(gè)OPFCM聚類算法，用于解決非凸形狀簇及任意形狀簇的模糊聚類問題。改進(jìn)的算法對主要參數(shù)進(jìn)行優(yōu)選，避免了傳統(tǒng)FCM算法對參數(shù)設(shè)置的依賴性;利用隸屬度加權(quán)有效降低了孤立點(diǎn)對聚類中心的影響，提高了針對不規(guī)則形狀的多中心模糊聚類的精度。

7、實(shí)驗(yàn)證明，OPFCM算法具有較低的空間、時(shí)間復(fù)雜度及較高的分類聚類質(zhì)量，適用于大規(guī)模評(píng)分?jǐn)?shù)據(jù)集的聚類工作。在建立K近鄰集時(shí)，使用用戶—模糊簇類評(píng)分矩陣發(fā)現(xiàn)用戶感興趣簇類，使用用戶對簇類的評(píng)分及分類矩陣內(nèi)評(píng)分加權(quán)選擇K近鄰。最后通過K近鄰?fù)瓿蓞f(xié)同過濾推薦。實(shí)驗(yàn)證明，在大規(guī)模的高維稀疏樣本集下進(jìn)行協(xié)同過濾推薦的時(shí)候，相對于基于K-means聚類算法和基于DBSCAN聚類算法的CF推薦，本文提出的推薦算法在推薦質(zhì)量上具有明顯的優(yōu)勢。